Gelişmiş CAE Veri Çıkarma

Bu yazıda örnek olarak, aynı Altair OptiStruct optimizasyon çözümünden elde edilen başka bir dosya çıktısından veri toplama adımlarını göstereceğiz: optimizasyondan elde edilen temel performans göstergelerini içeren *kpi dosyası. Bu örnekte amaç, yapısal modeldeki her bir property grubundaki maksimum gerilme hakkında bilgi toplamaktır. Elbette gerçek maksimum von Mises gerilmesinin toplanması gerekir ve maksimum değerin oluştuğu sonlu elemanın kimliği de toplanmalıdır. Son olarak, bu değerlerin hem her bir property grubu hem de optimizasyon iterasyonu için kaydedilmesi gerekmektedir. Başlamak için, daha önce kullanılana benzer bir süreç uygulayacağız: (1) yakalama tanımına bir “detail” ekleyin; (2) örnek satırı seçin; (3) örnek kayıttaki property grubunu (PID), eleman kimliğini (EID) ve gerilimi (VON) tanımlayın; ve (4) istenmeyen satırların atlandığından emin olmak için yakalamaya sayısal bir kalıp eşleşmesi ekleyin. Adımlar aşağıdaki ekran görüntüsünde belirtilmiştir.

Buraya kadar her şey iyi görünüyor ve arayüzün alt kısmında gösterilen sütunlar yakalamanın anlamlı veriler topladığını gösteriyor. Bununla birlikte, daha yakından incelendiğinde, yakalama kalıbı aynı zamanda dosyada bulunan yer değiştirmeler için veri kayıtlarıyla da eşleşmektedir. Başka bir sayısal kalıp eşleşmesi ekleyerek (5) eşleşmeleri daraltmak kolaydır – bu kez satırın o konumda boşluk içermemesini zorunlu kılmak için.

Bu düzeltme ile, bir sonraki gereksinim her kayıtla ilişkili yineleme numarasını toplamaktır. Adımlar şunlardır: (6) şablona bir “Append” eklemek, (7) alanı örneklemek ve seçmek için yineleme bilgilerini içeren satırı eklemek ve (8) yakalamaya bir değişmez dize metin kalıbı eklemek.

Arayüzün alt kısmında yeni eklenen mavi vurgulu çıkarılmış veri sütunundan da anlaşılacağı üzere, uygun yineleme verileri her bir kayda eklenmiş ve görevimiz tamamlanmıştır.

Bu örnek, Altair® Monarch®‘ın veri toplama işlevinin keyfi olarak yapılandırılmış metin verilerinden oluşan dosyalara uygulanabilecek kadar esnek olduğunu göstermektedir. Bu örnekte ve önceki yazıda toplanan veriler daha büyük bir tabloda birleştirilebilir, ancak bu başka bir yazının konusu olacaktır.

Altair Monarch veya diğer veri analitiği ve yapay zeka çözümlerimiz hakkında sorularınız için iletişim formunun kullanabilirsiniz.

Altair Monarch yazılımını ücretsiz indirin ve deneyin !

The post Altair Monarch ile gelişmiş CAE veri çıkarma appeared first on Blog.

PhysicsAI Expert Emulation, bir Deney Tasarımı (DOE) alır, sonuç dosyalarını okur ve tasarım alanınızdaki farklı davranışları görselleştirmek için kümelemeyi kullanır. Daha sonra, yeni bir analizin davranışını otomatik olarak tanımlamak için kullanılabilecek, istediğiniz davranışı tanımlayan bir sınıflandırıcı oluşturmanıza olanak tanır.

Altair OptiStruct ile harici makine öğrenimi modelimizi nasıl birleştiririz? Cevap, Excel, Fortran, C veya Altair Compose‘a bir köprü oluşturmamızı sağlayan DRESP3 kartıdır (harici yanıt /external response). Altair PhysicsAI Makine Öğrenimi kütüphanelerini kullanmak için python’a erişebilmemiz gerekir, bir C veya Fortran kütüphanesi derleme gerektirir, ancak Altair Compose python’a yerleşik bir köprüye sahiptir – derleme gerekmez! Bu bize aşağıdaki iş akışını verir,

Bu iş akışını test etmek için bir modele ihtiyacımız var, bu yüzden Atlair OptiStruct help içerisinde bulunan bir örnek kullanalım, OS-E: 0930, Altair Compose ile arayüz oluşturan bir DRESP3’ün nasıl oluşturulacağını açıklıyor. Bu örnek, rüzgâr yüklemesi altındaki bir radar çanağının dörtte birini içermektedir. Simetri koşulları yatay ve dikey bağlantı levhalarına uygulanır, destek kirişi zemine tamamen sabitlenir ve yükleme, çanağın yüzeyine bir basınç yükü yoluyla uygulanır. Kalınlık (gauge) tasarım değişkenleri dış yüzey ve bağlantı levhaları üzerinde tanımlanmış ve ayrı bir tasarım değişkeni de malzemelerin Young modülü üzerinde tanımlanmıştır.

PhysicsAI Expert Emulation makine öğrenimi modelimizi oluşturmak için bir veri kümesi oluşturmamız gerekecektir. Bunu, Altair HyperStudy‘de bir Deney Tasarımı (DOE) çalıştırarak yapabiliriz; burada her nokta, her tasarım noktasında tasarım değişkenleri için farklı değerlerle yalnızca yukarıdaki radar çanağının bir analizidir. Bu DOE daha sonra aşağıda gösterilen Altair HyperWorks‘daki PhysicsAI Expert Emulation tarafından sonradan işlenebilir,

Yer değiştirme şeklini sorguladığımızda, tasarım alanında iki ana davranış olduğunu görebiliriz; biri yumuşak bir yer değiştirme, diğeri ise radarın sağ üst köşesinde yoğunlaşan yer değiştirme. PhysicsAI Expert Emulation, sınıf üyeliğini yalnızca bir sonuç dosyasından değil, aynı zamanda dahili bir alan tahmincisinden de tahmin edebilen bir sınıflandırıcı oluşturabilir (alan tahmini hakkında daha fazla bilgiyi buradan okuyabilirsiniz).

Dahili alan tahminini kullanmak, yeni bir sonuç dosyası yerine tasarım değişkeni değerlerinden bir sınıflandırma yapmamızı sağlayacaktır. Bu örnek model için, sınıflandırma modeli bir test setinde hem sonuç dosyasından hem de dahili alan tahmincisinden tahmin yaparken %100 doğruluğa sahiptir ve dahili alan tahmincisinin R2 değeri 0,93’tür, bu nedenle doğru tahminler alacağımızdan emin olabiliriz.

Artık sınıflandırma modelimiz olduğuna göre, bunu bir DRESP3 kullanarak Altair OptiStruct modelimize bağlamalıyız. Bunu yapmak için Altair Compose ve onun python köprü işlevini kullanacağız. Compose’da, aşağıda gösterildiği gibi OptiStruct’tan çağrılacak aşağıdaki işlevi oluşturuyoruz; burada tasarım değişkeni girdilerimiz “rparam” içinde yer alıyor ve çıktı “rresp” içine kaydediliyor. Tasarım değişkenlerini python’a aktarıyoruz, PhysicsAI – Expert Emulation sınıflandırıcımızı çalıştıran bir komut dosyası çalıştırıyoruz ve ardından tasarımın “class_probability” değişkeninden istediğimiz grupta olma olasılığını döndürüyoruz.

Daha sonra OptiStruct’taki fonksiyonumuza, optimizasyon başlığında aşağıdaki satırla bir kütüphane olarak referans verebiliriz,

ve ardından bu kütüphaneyi bulk data daki aşağıdaki kartla referanslandıran tasarım yanıtını oluşturun.

Artık makine öğrenimi yanıtımızı diğer yanıtlarla aynı şekilde ele alabiliriz. Bu durumda DRESP3, tasarımın istenen sınıfta olma olasılığını döndürecektir, bu sadece sınıf etiketine (örneğin, grup 1 veya 2) tercih edilir, çünkü olasılık sürekli olacaktır ve optimize edicinin gradyanları hesaplamasına izin verecektir.

Her bir deformasyon grubunu hedefleyen iki optimizasyon kurarak sınıflandırma yanıtını test edelim. Her bir grubu, tasarımın o grubun bir üyesi olma olasılığının %60’ın üzerinde olduğu bir kısıtlama ekleyerek hedefleyeceğiz. İlk optimizasyon için kütleyi minimize edeceğiz ve Grup 1’i hedefleyeceğiz. Sonuçlar aşağıda görülebilir,

Sağ kenara doğru artan yumuşak bir yer değiştirme gradyanı ile Grup 1’in gerekliliklerini görsel olarak karşılayan bir tasarım elde ediyoruz.

İkinci optimizasyon için Grup 2’yi hedefleyeceğiz, ancak Grup 2’yi hedeflemek ve kütleyi en aza indirmek çakışmayacaktır, bu nedenle optimize edici tüm tasarım değişkenlerini alt sınırlarına ayarlayacaktır. Amaç fonksiyonunu kütleyi maksimize edecek şekilde değiştirmek Grup 2’yi hedeflemekle çelişeceğinden sınıflandırma kısıtlamasının aktif olduğundan emin olabiliriz.

Görsel olarak, optimize edicinin Grup 2’de bir sonuç ürettiğini ve yer değiştirmenin radarın sağ üst köşesinde yoğunlaştığını görebiliriz. Optimizasyon 1, Optimizasyon 2’den daha düşük bir kütleye sahiptir, bu nedenle sadece kalınlıkları küresel olarak artırarak veya azaltarak grup gereksinimimizi karşılayan çözümler bulmadığımızdan emin olabiliriz, bu da sınıflandırma kısıtlamamızın aktif ve etkili olduğunu gösterir. Sınıflandırmanın sadece yer değiştirmenin büyüklüğünden ziyade yer değiştirme şekline dayandığına dikkat edin; bu, KPI tabanlı kısıtlamalar kullanılarak yapılması zor olan bir şeydir.

Bu yaklaşım PhsyicsAI Expert Emulation ile sınırlı değildir, Python’dan çağrılabilen herhangi bir kütüphane veya fonksiyon kullanılabilir. Belki de optimizasyonunuza farklı bir fiziğin KPI’ını temsil etmek için bir regresyon modeli ekleyebilirsiniz, örneğin Yapısal bir optimizasyon içinde bir Elektromanyetik KPI’nın regresyon uyumu.

Altair HyperWorks, OptiStruct, HyperStudy ve Compose yazılımlarını Altair ONE sitesinden indirebilir, sorularınızı iletişim formunu kullanarak iletebilirsiniz.

The post Yapısal optimizasyonda Makine Öğrenimi nasıl kullanılır? appeared first on Blog.

Bu dosyayı analizde sonucunda oluşturmak için Altair HyperWorks yazılımında OUTPUT tanımlaması kullanabilirsiniz. ( İpucu : Yazılım arayüzünde sağ üst bölümde yer alan arama bölümüne OUTPUT yazınız)

Alternatif olarak GLOBAL_OUTPUT_REQUEST tanımlamasıyla her bir çıktı tipi için ( deplasman vb.) ayrı olarak ayarlayabilirsiniz.

Analiz tamamlandıktan sonra çözüm klasöründe *.kpi uzantılı metin dosyası yaratılmış olacaktır.

.kpi dosyasının içeriğini bir metin düzenleyicide (notepad++ vb.) inceleyebilirsiniz. Her sonuç türü için, property‘e bağlı olarak maksimum sonuç her bir loadstep ((subcase) için aşağıdaki şekilde bastırılır.

The post Altair OptiStruct analiz sonucundaki temel performans göstergeleri appeared first on Blog.